一种基于通过Sobel操作员提取边缘特征的钢铁缺陷检测方法.
Yuanyuan Wang1,2, Tongtong Yin3, Xiuchuan Chen3
1College of Computer and Software Engineering, Huaiyin Institute of Technology, Huaian, 223003, China. zhfwyy@hyit.edu.cn.
Scientific reports
|November 12, 2024
概括
本研究介绍了ECDY网络,通过结合边缘信息和先进的特征重建来改进钢铁缺陷检测. 这种新方法提高了识别表面缺陷的准确性和效率,提高了钢铁产品的质量.
科学领域:
- 材料科学与工程 材料科学与工程
- 计算机视觉和机器学习
背景情况:
- 钢表面的缺陷,如痕和裂,损害了结构完整性和性能.
- 现有的缺陷检测方法与不规则的缺陷形状和大小作斗争,导致精度低.
研究的目的:
- 开发一个增强的深度学习网络,以便更准确,更有效地检测钢表面的缺陷.
- 通过整合边缘信息和先进的特征重建技术来解决当前方法的局限性.
主要方法:
- 提出了ECDY (EIFEM CARAFE DyHead) 网络,采用使用Sobel操作员的新型以边缘为中心的特征提取模块.
- 集成内容意识重组功能 (CARAFE) 改进了功能金字塔重建.
- 使用动态统一检测头 (DyHead) 来适应各种缺陷尺度和检测任务.
主要成果:
- 通过ECDY网络,YOLOv5,YOLOv8和YOLOv10版本的精度提高,参数减少.
- 在YOLOv8x中,mAP@0.5增加了2.5%,参数减少了12.4M.
- 与YOLOv8s相比,拟议的方法实现了1.6%的精度增加,4%的回忆增加和4%的mAP@0.5增加,超过RT-DETR-L的4.2%mAP@0.5与更少的参数.
结论:
- ECDY网络显著提高了钢铁缺陷检测的准确性和效率.
- 边缘信息,CARAFE和DyHead的集成为复杂的表面缺陷识别提供了一个强大的解决方案.
- 这种方法为最先进的模型提供了有竞争力的替代方案,性能提高,计算成本降低.
